Embed Size (px)
Citation preview
TÍTULO DEL PROYECTO: PREDECIR LA DISTRIBUCIÓN DE LA 1
EUTROFIZACIÓN DEL LAGO TITICACA USANDO LA CLOROFILA-A 2
COMO INDICADOR HASTA EL AÑO 2050. 3
Línea de investigación: Gestión de recursos hídricos 4
RESUMEN: 5
El vertimiento de aguas residuales en el Lago Titicaca es una problemática que esta 6
provocando la eutrofización del lago que puede ser percibido con el aumento de la 7
concentración de la clorofila-a, este indicador podría ser detectado con el monitoreo en 8
campo y tambien con el uso de imágenes satelitales, cuya data se estima desde el año 9
2013 y tambien información obtenida del Instituto del Mar del Perú desde el año 2013. 10
Por ello la presente investigación tiene por objetivo determinar la distribución temporal 11
de la concentración de la clorofila-a en el Lago Titicaca a partir de la información 12
obtenida de imágenes satelitales y los valores de los monitoreos hechos en campo, esto 13
permitirá un monitoreo remoto de la clorofila-a de todo el lago Titicaca de las fuentes de 14
infomación antes descritas. La metodología implica el ánalisis de las imágenes satelitales 15
haciendo uso del software R y tambien un muestreo de la clorofila-a aplicando el 16
Protocolo Nacional para el Monitoreo de la Calidad de los Recursos Hídricos 17
Superficiales, se desarrollará un modelo de regresión lineal entre los datos 18
proporcionados por las imágenes satelitales y los valores de los resultados del monitoreo 19
que nos permitirá obtener datos actuales del año 2021. Este trabajo contribuirá determinar 20
las zonas del lago que se encuentren amenazados por la eutrofización, además permitirá 21
su monitoreo constante con imágenes satelitales con menos recursos. 22
Palabras clave: 23
Lago Titicaca, clorofila, concentración, distribución. 24
I. PLANTEAMIENTO DEL PROBLEMA. 25
1.1. El problema de investigación 26
La eutrofización es un fenómeno que afecta muchos cuerpos hídricos en el 27
mundo por un crecimiento excesivo de plantas y algas debido al aumento de 28
materia orgánica, dióxido de carbono y nutrientes en el cuerpo de agua (Alba 29
et al., 2020; Germán et al., 2016) .La eutrofización es un proceso ecológico, 30
similar al envejecimiento, en el que un cuerpo de agua se enriquece cada vez 31
más con los nutrientes esenciales de las plantas acuáticas (Bhagowati & 32
Ahamad, 2019). A nivel mundial, la eutrofización es una de las principales 33
causas de la degradación del estado ecológico en aguas interiores y costeras 34
(Vinçon-Leite & Casenave, 2019). 35
La clorofila-a es uno de los principales indicadores para el análisis de la 36
calidad del agua para el monitoreo ambiental de los ecosistemas acuáticos 37
(Meng et al., 2020). Durante el evento de floración, la distribución espacial y 38
temporal de la clorofila-a (Chl-a) es difícil de observar utilizando métodos 39
convencionales de muestreo de agua (Alba et al., 2019). Las floraciones de 40
algas son generalmente monitoreadas con medición de biomasa in situ, 41
examinando las especies presentes, y mediante la determinación de 42
concentración de clorofila-a (Germán et al., 2016). El monitoreo de la calidad 43
del agua en los ecosistemas acuáticos continentales utilizando el 44
procesamiento de imágenes satelitales como herramienta puede emplearse 45
como un sistema de alerta temprana para cambios en la productividad del lago 46
(Rodríguez-lópez et al., 2020). 47
El Lago Titicaca generalmente no presenta valores de clorofila mayor a 2 48
mg/m3 (Paulino-Rojas et al., 2016). Sin embargo el lago Titicaca experimentó 49
su primera floración de algas entre marzo-abril de 2015 por eventos 50
climatológicos extremos (Achá et al., 2018).El reciente aumento de la presión 51
antropogénica alrededor del lago Titicaca resultó en un aumento de la 52
eutrofización de este ecosistema acuático (Guédron et al., 2017). El lago 53
Titicaca es un lago de gran altitud y enriquecido con sulfato por lo que tiene 54
una sensibilidad específica a la eutrofización o la proliferación de algas y, en 55
consecuencia, su biodiversidad única es más vulnerable (Achá et al., 2018) 56
Se esta detectantando e informando que la eutrofización está causando 57
impactos sobre la salud de las personas con mayor frecuencia (Hilborn & 58
Beasley, 2015). La exposición a las cianotoxinas de la eutrofización 59
representa un riesgo para la salud de los organismos acuáticos, la vida 60
silvestre, los animales domésticos y los seres humanos al beber o ingerir algas 61
en el agua (Chen et al., 2006) .Los datos y productos de la teledetección 62
proporcionan vistas sinópticas, espacio-temporales y su integración puede 63
conducir a una mejor comprensión de la ecología del lago y la calidad del agua 64
(Dörnhöfer & Oppelt, 2016). Por lo anterior expuesto la investigación plantea 65
hacer determinar las zonas del lago que se encuentren amenazados por la 66
eutrofización. 67
1.2. La pregunta de investigación 68
¿Cuál es la distribución temporal de la concentración de la clorofila-a en el 69
Lago Titicaca-Perú? 70
II. OBJETIVOS 71
1.1 Objetivo general 72
Predecir la distribución de la eutrofización del Lago Titicaca usando la clorofila-73
a como indicador hasta el año 2050. 74
1.2 Objetivos específicos 75
Obtener datos de monitoreo de la concentración de la clorofila en campo del 76
periodo 2013-2021. 77
Obtener datos de la concentración de la clorofila-a usando imágenes satelitales. 78
Comparar los valores de monitoreo de campo de la clorofila y los valores 79
obtenidos a partir de imágenes satelitales. 80
Evaluar la distribución temporal de la concentración de la clorofila-a en el Lago 81
Titicaca-Perú hasta el año 2050 usando MaxEnt. 82
III. JUSTIFICACIÓN 83
La contribución de esta investigación en el lado ambiental permitirá identificar las áreas 84
con mayor probabilidad de ocurrencia de floraciones algales, la relación entre los valores 85
de monitoreo en campo y los valores de las imágenes satelitales nos permitirá observar la 86
evolución de la eutrofización desde el año 2013, esto contribuira enormemente en 87
investigaciones relacionadas al comportamiento de la clorofila-a en el Lago Titicaca. 88
Tambien esta investigación permitirá la alerta temprana de la eutrofización en el Lago 89
Titicaca. 90
En lo económico esta investigación permitirá monitorear todo el Lago Titicaca de manera 91
remota, se podrá realizar monitoreos constantes y de bajo costo de cualquier parte del 92
lago, la identificación de las áreas más vulnerables para la eutrofización permitirá un 93
menor costo para la descontaminación, ya que al permitir identificar las zonas de 94
intervención se ahorrará en costos de logística. 95
En lo social la investigación posicionará el valor del recurso hídrico y su conservación, 96
ya que permitirá hacer una linea base para actividades o planes de descontaminación del 97
Lago Titicaca. 98
99
IV. FORMULACIÓN DE HIPÓTESIS 100
4.1 Hipótesis general 101
La imágenes satelitales permite determinar la distribución temporal de la clorofila-a 102
en el Lago Titicaca. La distribución de la clorofila-a en el Lago Titicaca se encuentra 103
en zonas cercanas a lugares de vertimiento de aguas residuales, como la bahía del 104
Lago Titicaca. 105
106
4.2 Hipótesis específicos 107
Los valores de concentración de la clorofila-a son mayores cerca de puntos de 108
vertimiento de aguas residuales. 109
Los valores extraídos para la determinar la concentración de la clorofila-a a 110
partir de imágenes satelitales son cercanos a los valores del monitoreo en campo. 111
Los valores de monitoreo de campo de la clorofila coinciden con los valores 112
obtenidos a partir de imágenes satelitales. 113
La bahía del Lago Titicaca es la zona de mayor eutrofización del Lago Titicaca. 114
115
V. REVISIÓN DE LITERATURA O MARCO TEÓRICO 116
5. Antecedentes 117
5.1 Antecedentes Internacionales 118
Rodríguez-lópez et al., (2020), determinaron experimentalmente las 119
concentraciones de clorofila-a. Se establecieron correlaciones entre los índices 120
de vegetación y las concentraciones de clorofila-a en diferentes zonas de 121
monitoreo. Se utilizó 14 imágenes Landsat tomado durante un período de 6 122
años, se determino experimentalmente las concentraciones de clorofila , las 123
correlaciones entre los índices y las concentraciones de clorofila presentan una 124
buena correlación de NDVI (R2=0.89). 125
Wang et al., (2020), demostraron que la integración de observaciones 126
satelitales de sensores múltiples a través de Google Earth Engine permite una 127
predicción Chl-a precisa y rápida a gran escala regional durante varios años. 128
Se discuten los desafíos y limitaciones de usar y calibrar datos de imágenes 129
satelitales de sensores múltiples y las soluciones actuales y potenciales. 130
Meng et al., (2020), estudiaron la máquina clásica de aprendizaje extremo 131
(ELM), el método grupal de manejo de datos (GMDH), el bosque aleatorio 132
(RF), el árbol de clasificación y regresión (CART) y un novedoso modelo 133
integrado Bat-ELM (con el algoritmo de optimización de murciélagos) fueron 134
desarrollados y aplicados para predecir la concentración diaria de clorofila-a 135
(Chl-a) en ecosistemas de ríos y lagos. 136
Alba et al., (2020), en su trabajo de investigación proponen una metodología 137
que aprovecha la alta resolución temporal de Sentinel-2 (S2) para el monitoreo 138
de reservorios eutróficos, se uso 125 imágenes con menos del 30% de 139
cobertura de nubes, para el periodo de agosto de 2016 a agosto de 2019, el 140
estudio destaca la importancia del ánalisis espectral temporal de agua turbia 141
en comparación con el ánalisis de una sola fecha. 142
Isenstein et al., (2020), desarrollaron modelos de teledetección por satélite 143
multitemporales que retratan con precisión la distribución espacial de las 144
floraciones de cianobacterias de agua dulce, que los métodos tradicionales de 145
monitoreo no pueden lograr. Los modelos desarrollados con imágenes 146
satelitales Landsat capturaron con éxito la distribución de las floraciones de 147
cianobacterias y otras variables (R2=0.6 entre R2=0.98), el ánalisis indica el 148
impacto de las precipitaciones en el crecimiento de la floración de 149
cianobacterias. 150
Ledesma et al., (2020), generaron una serie de tiempo a partir de un modelo 151
estadístico basado en datos de campo e información satelital de MODIS, para 152
determinar y predecir la distribución temporal de la Chl-a en el embalse Río 153
Tercero. Se obtuvo un modelo de regresión lineal (R2=0.66), el cual tiene en 154
cuenta la relación entre bandas 1 y 2 del satélite MODIS. 155
Jiang et al., (2020), estimaron las concentraciones de clorofila-a en una amplia 156
gama de condiciones ópticas basadas en la clasificación del agua a partir de 157
observaciones VIIRS. Los resultados mostraron que este enfoque específico 158
de absorción proporcionó buenas estimaciones de Chla en aguas claras a muy 159
turbias con una amplia gama de condiciones ópticas (R2 = 0.76, rRMSE = 160
35%, n = 230, p <0.01). 161
Kuhn et al., (2019), se comparó el producto de reflectancia de la superficie 162
terrestre estándar del USGS con dos productos de reflectancia de detección 163
remota acuáticos Landsat-8 y Sentinel-2 sobre los ríos Amazonas, Columbia 164
y Mississippi. La investigación muestra que la rutina de la correción 165
atmosférica puede sesgar la recuperación de lansadt 8 de clorofila-a hasta en 166
un 59%. 167
Ledesma et al., (2019), en este trabajo se monitoreo el estado trófico y la 168
calidad del agua del embalse Cassaffousth (Córdoba, Argentina) a través del 169
desarrollo de modelos estadísticos basados en datos de campo e información 170
satelital. Mediante el uso de técnicas de regresión la información de Landsat 171
8 se relacionó con datos de campo y se validó un modelo estadistico 172
determinando la distribución de la clorofila (R2=0.87). 173
Shi et al., (2019) proporcionan una revisión completa sobre la detección 174
remota de floración de cianobacterias en aguas continentales. Las 175
características ópticas de las cianobacterias, los algoritmos operativos de 176
detección remota de las áreas de floración de clorofila, ficocianina y 177
cianobacterias, y aplicaciones de imágenes por satélite. 178
Blauw et al., (2018) analizaron las fluctuaciones del fitoplancton en cuatro 179
estaciones de amarre automatizadas en el Mar del Norte, que midieron la 180
abundancia de fitoplancton (clorofila) y varias variables ambientales con una 181
resolución temporal de 12-30 minutos durante dos a nueve años. 182
Chu et al., (2018) muestran que los modelos de regresión ponderada 183
geográfica y temporalmente (GTWR) y regresión ponderada geográficamente 184
(GWR) son más precisos que la regresión lineal para estimar la calidad de 185
agua con imágenes de satélite. GTWR mejora la explicación de la varianza 186
del 44% al 87%. 187
5.2 Antecedentes locales 188
Achá et al., (2018), determinaron que el lago Titicaca experimentó su primer 189
florecimiento de algas registrado en marzo-abril de 2015 en la zona sur del 190
lago. El alga dominante involucrada en el florecimiento fue Carteria sp. 191
Sugieren que los eventos de lluvia inusualmente intensos liberaron grandes 192
cantidades de nutrientes de la cuenca y provocaron la floración. 193
Paulino-Rojas et al., (2016), se ha demostrado la capacidad de estimar la 194
concentración de clorofila-a en el lago Titicaca a partir de modelos de razón 195
de banda MOD2, utilizando información del sensor MERSI recepcionados por 196
el sistema TERASCAN del IMARPE. 197
198 5.2 MARCO TEÓRICO 199
200
5.2.1. Eutrofización 201
La eutrofización es un proceso ecológico, similar al envejecimiento, en el que 202
un cuerpo de agua se enriquece cada vez más con los nutrientes esenciales de 203
las plantas acuáticas (Bhagowati & Ahamad, 2019). La eutrofización conduce 204
al crecimiento excesivo de las plantas: algas en aguas abiertas, perifiton (algas 205
bentónicas adheridas) en el fondo del cuerpo de agua y macrófitas (grandes 206
plantas con raíces vasculares que a menudo se llaman malezas) en aguas poco 207
profundas (Ji, 2008) . 208
5.2.2. Tipos de Eutrofización 209
En general, el fenómeno de la eutrofización de los lagos se puede clasificar en 210
dos categorías; natural y cultural. El proceso de eutrofización natural tiene 211
lugar muy lentamente en el tiempo, pero puede acelerarse en gran medida por 212
las actividades antropogénicas, lo que generalmente se conoce como 213
eutrofización cultural o artificial (Serrano et al., 2017). 214
Según su productividad biológica y las condiciones de nutrientes, un cuerpo 215
de agua generalmente se puede clasificar como oligotrófico, mesotrófico y 216
eutrófico: 217
5.2.2.1. Oligotrófico. 218
Describe un cuerpo de agua con baja actividad biológica y excelente calidad 219
del agua, ya que el agua es baja en nutrientes y algas y la producción primaria 220
y la biomasa están severamente limitadas (Ji, 2008). 221
5.2.2.2. Mesotrófico. 222
Describe un cuerpo de agua con actividad biológica media y buena calidad 223
del agua (Ji, 2008). 224
5.2.2.3. Eutrófico. 225
Describe un cuerpo de agua con actividad biológica excesiva y mala calidad 226
del agua. El agua tiene abundantes nutrientes y altas tasas de producción 227
primaria, lo que con frecuencia resulta en el agotamiento de oxígeno en la capa 228
inferior. trientes excesivos producen más fitoplancton de lo que puede ser 229
consumido por el cuerpo de agua. Esta sobreproducción puede conducir a una 230
variedad de problemas, que incluyen: bajo Oxígeno Disuelto, especialmente 231
cerca del fondo del cuerpo de agua; sólidos altamente suspendidos, a menudo 232
enriquecidos con material orgánico; altas concentraciones de nutrientes; altas 233
concentraciones de algas; poca penetración de luz y poca claridad del agua; 234
olores de algas o lodos anaerobios; y cambios en la composición de especies 235
5.2.2.4. Tipos de lagos según el estado trófico. 236
El fósforo y el nitrógeno son nutrientes esenciales para el crecimiento de algas. 237
De estos dos nutrientes, a menudo se considera que el P (fósforo) es el 238
nutriente que regula la producción de algas en los lagos y se usa habitualmente 239
para estimar el estado trófico de los lagos. Vollenweider (1968) clasificó los 240
lagos como: 241
1. Oligotrófico, si P <10 μ g / L. 242
2. Mesotrófico, si 10 μ g / L ≤ P <20 μ g / L. 243
3. Eutrófico, si P ≥ 20 μ g / L. 244
A menudo el estado trófico de un arroyo se basa en las concentraciones de Chl 245
a (USEPA, 2000) 246
1. Oligotrófico: Concentración media de Chl-a 20 mg/m2. 247
2. Mesotrófico: Concentración media de Chl-a 50 mg/m2. 248
3. Eutrófico : Concentración media de Chl-a 70 mg/m2. 249
5.2.3. Clorofila-a (Chl-a) 250
El Chl-a en el agua es un indicador clave de la biomasa del fitoplancton. El 251
aumento de Chl-a es la primera manifestación de contaminación por 252
nutrientes, que, luego, cambia la composición de la comunidad de fitoplancton 253
y aumenta la frecuencia de floraciones molestas y tóxicas (Kiefer et al., 2015). 254
Se ha detectado Chl-a como un compuesto espectralmente activo en el 255
fitoplancton que se utiliza como representante de la biomasa del fitoplancton 256
(Kudela et al., 2015). La clorofila-a está directamente relacionado con la 257
calidad del agua y el estado trófico de los sistemas acuáticos (Liu et al., 2011). 258
La biomasa de algas en los ecosistemas acuáticos generalmente se estima 259
determinando la concentración de clorofila a (Chl-a). La clorofila-a también 260
se ha utilizado para estimar las floraciones de cianobacterias básandose en su 261
realción lineal (R=6~7) (Isenstein et al., 2020). 262
5.2.4. Monitoreo con satélites. 263
Los sensores remotos permiten detectar pigmentos del fitoplancton, como la 264
concentración de Clorofila-a (Chl-a) en agua, el cual es un buen indicador de 265
la biomasa del fitoplancton (M. Ledesma et al., 2020). 266
5.2.4.1 Datos satélitales. 267
Landast 8 lleva dos sensores de observación de la tierra, el Operational Land 268
Imager (OLI) y el Sensor Térmico Infrarrojo (TIR). Las imágenes de este 269
satelite presentan correcciones de terreno, por lo que no es necesario aplicar 270
correcciones geométricas (M. Ledesma et al., 2019). 271
La corrección atmosférica sobre el agua requiere mayor precisión que sobre 272
la tierra porque se sabe que del 70 al 90% de la parte superior de la señal de la 273
atmósfera proviene desde la superficie del agua (Kuhn et al., 2019). 274
5.2.4.2 Lansadt 8. 275
Las imágenes Landsat pueden proporcionar una variación estacional de la 276
composición de las algas y la distribución de las cianobacterias de un lago 277
(Isenstein et al., 2020). 278
5.2.5. Modelo de Calidad de Agua 279
La complejidad de la dinámica y estructura de los sistemas acuáticos impiden 280
la formulación de un modelo dinámico completo de aplicación general, 281
existen diferencias entre los modelos en cuanto a su estructura matemática y 282
complejidad al abordar un mismo problema (Almeida, 1996). El principio 283
básico de los modelos de calidad del agua es el balance de masa (Loucks & 284
Beek, 2017). 285
Un sistema de agua se puede dividir en diferentes segmentos o elementos de 286
volumen, los componentes del balance de masa de un segmento incluyen: 287
cambios por transporte, cambios por procesos físicos y químicos, cambios por 288
fuente o descarga (Loucks & Beek, 2017). El transporte incluye el transporte 289
advectivo (transporte por agua corriente) y el transporte dispersivo (la que 290
resulta de las diferencias de concentración). Los procesos incluyen procesos 291
físicos (reaeración, sedimentación), procesos bioquímicos (adsorción, 292
transformación, desnitrificación), y procesos biológicos (producción primaria, 293
depredación) (Loucks & Beek, 2017). 294
5.2.6. Modelos empíricos 295
Los modelos empíricos se derivan utilizando las relaciones estadistícas entre 296
los datos de teledetección y los datos recogidos in situ. Estos modelos pueden 297
describir relaciones complicadas, que pueden ser díficiles de determinar 298
mediante el uso de ecuaciones analíticas, sin dejar de ser bastantes simples y 299
fáciles de interpretar. Sin embargo, la precisión de un modelo empírico viene 300
determinada en gran medida por la disponibilidad de los datos y tiene 301
limitaciones en cuanto a utilización de los resultados del modelo de 302
extrapolación (Isenstein et al., 2020). 303
5.2.7. Principales factores de la ditribución de la clorofila-a. 304
La velocidad del viento fue identificado como principal factor de la 305
acumulación de clorofila-a (Shi et al., 2019). El aumento de la temperatura 306
media diaria facilita la eutrofización, en consecuencia la clorofila-a (Lin et al., 307
2021), el impacto negativo de las aguas residuales (Mourão et al., 2020). 308
5.2.8. Factores que influyen en el proceso de eutrofización. 309
Los estudios de eutrofización requieren el conocimiento de procesos físicos, 310
químicos, geológicos y biológicos. Los factores importantes para los procesos 311
de eutrofización en un cuerpo de agua incluyen 312
1. Geometría del cuerpo de agua: profundidad, ancho, área de superficie y 313
volumen. 314
2. Velocidad de flujo y mezcla turbulenta. 315
3. Temperatura del agua y radiación solar. 316
4. Total de sólidos en suspensión. 317
5. Algas. 318
6. Nutrientes: fósforo, nitrógeno y sílice. 319
7. Oxígeno disuelto 320
La dinámica esencial de la eutrofización del lago puede ser modelada por la 321
ecuación. 322
q
q q
dP rPl sP
dt m P
(1) 323
324
La variable dinámica, P, es la cantidad de P (masa o concentración) en la 325
columna de agua. La tasa de entrada de P (masa o concentración por unidad 326
de tiempo) de la cuenca es l. La tasa de pérdida de P por unidad de tiempo es 327
s. Los procesos de pérdida incluyen sedimentación, flujo de salida y secuestro 328
en biomasa de consumidores o plantas bentónicas. La tasa máxima de reciclaje 329
de P (masa o concentración por unidad de tiempo) es r. 330
5.2.9. Formulaciones matemáticas. 331
El tiempo que permanecen los contaminantes en un cuerpo de agua depende 332
de la naturaleza del compuesto. La mayoría de los productos químicos sufren 333
descomposición química o biológica. Algunos productos químicos son 334
conservadores y no sufren este tipo de reacciones, a pesar de que es muy difícil 335
encontrar un producto químico verdaderamente conservador en la naturaleza. 336
Se supone que una sustancia es conservadora cuando la velocidad de reacción 337
es muy baja. Los humanos, a su vez, pueden sufrir daños al consumir estos 338
animales acuáticos que están expuestos a sedimentos contaminados. Las 339
sustancias no conservativas reaccionan química o biológicamente. Estos 340
procesos de destino y descomposición incluyen volatilización, hidrólisis, 341
fotólisis y biodegradación. 342
Aunque la cinética de reacción en los sistemas acuáticos se puede describir de 343
muchas maneras, la forma de un solo reactivo generalmente se expresa como: 344
mdCR kC
dt (2) 345
donde m = el orden de reacción y k = constante de velocidad de la reacción de 346
orden m. En aguas naturales, las formas comúnmente utilizadas de la 347
ecuación. (2) están con m = 0, 1 y 2. 348
5.2.10. Procesos que afectan el destino y la descomposición. 349
El destino y la descomposición de las sustancias tóxicas pueden ser el 350
resultado de reacciones físicas, químicas y / o biológicas. Además de la 351
sorción y la desorción, los procesos que pueden afectar significativamente el 352
destino y los procesos de descomposición incluyen: mineralización y 353
descomposición, hidrólisis, fotólisis, biodegradación, bioconcentración y 354
volatilización (Ji, 2008). 355
356
VI. METODOLOGÍA 357
6.1 Área de estudio 358
El lago Titicaca es un lago tropical de gran altitud (alrededor de 3809 m sobre 359
el nivel del mar) ubicado en los Andes centrales (15º 47 'S, 69º 22' W), 360
transfronterizo entre Perú y Bolivia. El lago está compuesto por dos 361
subcuencas casi independientes, conectadas por el Estrecho de Tiquina. La 362
subcuenca más grande (6450 km2), denominada "Lago Mayor", es profunda, 363
con una profundidad media de 135 m una profundidad máxima de 284 m, 364
mientras que la subcuenca más pequeña (2112 km2), denominada "Lago 365
Menor", es poco profundo, con una profundidad media de 9 m una 366
profundidad máxima de 40 m. El Lago Mayor es un lago tropical monomíctico 367
(con un período de mezcla cada año) mientras que el Lago Menor es un lago 368
tropical polimíctico (se mezcla casi a diario) (Ruiz-Verd et al., 2016). 369
El período de estratificación (débil) ocurre durante la estación lluviosa y 370
relativamente cálida (noviembre-abril). Durante este período, el Lago Mayor 371
está turbio debido a los sólidos en suspensión provenientes de procesos 372
erosivos en la cuenca. El período de mezcla ocurre durante la estación más 373
seca y fría (mayo-octubre), cuando la gradiente vertical de temperatura 374
desaparece y la columna de agua tiene una temperatura uniforme. 375
376
Figura 1. Mapa del área de estudio. 377
378
6.2 Tipo y diseño de investigación 379
La investigación es de tipo descriptivo. 380
381
6.3 Datos 382
Los datos en esta investigación serán obtenidos a partir de las imágenes 383
satelitales, los datos de la clorofila-a de años ateriores serán obtenidos del 384
Instituto del Mar del Perú (IMARPE), los datos más recientes se obtendrán 385
del monitoreo en campo. 386
6.4 Materiales y equipos 387
Las imágenes satelitales de Terra-Aqua / MODIS (1 km de resolución 388
espacial) para estudiar las propiedades del agua del lago. Para los datos 389
MODIS, se utilizará el producto estándar MOD09 (reflectancias 390
superficiales). También se utilizarán los productos globales diarios MODIS 391
(resolución espacial de 5 km) para extraer series temporales a lo largo del año 392
2011-2019. En este caso, se aplicarán umbrales de reflectancia para evitar la 393
contaminación por nubes o destellos solares (Ruiz-Verd et al., 2016) 394
Se recopilará información del monitoreo de la clorofila-a del periodo 2011-395
2019 realizada por IMARPE. El método empleado para el análisis de clorofila-396
a por el IMARPE es Spectrophotometric Determination of Chlorophyll 397
(Jeffrey & Humphrey,1975). 398
6.5 Muestreo 399
El trabajo de campo se desarrollará en la bahía del Lago Titicaca , se tomará 400
11 puntos muestreo a lo largo de la bahía del Lago Titicaca, para la toma de 401
muestras se usará el Protocolo Nacional para el Monitoreo de la Calidad de 402
los Recursos Hídricos Superficiales, la toma de muestra se realizará de manera 403
superficial porque la clorofila-a tiende a formarse en la superficie de los lagos 404
(Reinart & Kutser, 2006), la toma de muestras se realizará en la estación 405
lluviosa (Enero- Marzo) donde se observo altas concentraciones de clorofila-406
a (Ruiz-Verd et al., 2016). 407
Tabla 1. 408
Puntos de muestreo para la clorofila-a en el Lago Titicaca. 409
PUNTO LONGITUD LATITUD
E01 -69.9607 -15.8522
E02 -69.9276 -15.8464
E03 -69.9078 -15.8744
E04 -69.8717 -15.8752
E05 -69.892 -15.84
E06 -69.8783 -15.758
E07 -69.8691 -15.7798
E08 -69.8603 -15.8348
E09 -69.783 -15.7489
E10 -69.8539 -15.6728
E11 -69.9049 -15.6054
410
411
Figura 2. Mapa de ubicación de los puntos de muestreo para la clorofila-a 412
6.5.1 Tipo de muestreo 413
El muestreo es simple (Germán et al., 2016). 414
6.6 Métodos 415
6.6.1 Comparar los valores de monitoreo de campo de la clorofila y los 416
valores obtenidos a partir de imágenes satelitales. 417
6.6.1.1 Extraccion de datos de imágenes satelitales 418
Las imágenes Landsat se obtendrán del Centro de Observación y Ciencia de 419
los Recursos Terrestres (EROS) del Servicio Geológico de los Estados Unidos 420
(http://earthexplorer.usgs.gov/). Solo se seleccionará imágenes de alta calidad 421
excluyendo las imágenes cubiertas significativamente por nubes. Las 422
imágenes se obtendrán utilizando una ventana de tiempo de +1 día. Todas las 423
imágenes se procesarán en el Software libre R (Isenstein et al., 2020).Los 424
datos del satélite MODIS se descargarán de la aplicación AppEEARS 425
(Aplication for Extracting and Explorating Analysis Ready Samples) (Neeley, 426
2018). Se utilizarán los productos MOD09GQ y MOD09GA en conjunto. El 427
primero provee información de la reflectancia diaria a nivel de superficie de 428
la banda 1 y 2 . El segundo brinda información de la calidad de los datos y 429
geometría de visión del satélite (German et al., 2017). 430
6.6.1.2 Análisis de datos. 431
Con ambos datos, de campo y satelitales, se construirá un modelo estadístico 432
a partir de una regresión lineal simple la cual se realizará para ver la relación 433
entre los datos de campo y los datos de satelite (Bonansea et al., 2015; Germán 434
et al., 2017; Ledesma et al., 2019). Con el software R versión 3.6.1, los valores 435
de reflectancia de cada banda y sus relaciones serán tabulados para cada fecha 436
de muestreo en coincidencia con los valores de Chl-a. Con la ayuda del 437
producto MOD09GA los días con presencia de nubes serán descartados. 438
6.6.1.3 Extraccion de datos de campo. 439
Se hará un monitoreo de la clorofila-a en el lago Titicaca haciendo uso del 440
protocolo nacional de la calidad de los recursos hídricos superficiales, la cual 441
se llevará al laboratorio desconcentrado continental de Puno para el análisis 442
de la concetración de la clorofila-a por el método Spectrophotometric 443
Determination of Chlorophyll (Jeffrey & Humphrey,1975). 444
6.6.1.4 Método Spectrophotometric Determination of Chlorophyll. 445
Para estimar la clorofila existen diferentes métodos, procedimientos y 446
modelos matemáticos, desarrollados con el objeto de minimizar los errores 447
ocasionados por la presencia de otros pigmentos fotosintéticos y de algunos 448
compuestos químicos en el agua. 449
a. Equipo y reactivos: 450
1) Espectrofotómetro con una banda estrecha (de paso) (0,5 a 2,0 nm) 451
porque el pico de absorción de la clorofila es relativamente estrecho. 452
Con una anchura de banda espectral de 20 nm, la concentración de 453
clorofila a puede subestimarse hasta en un 40 %. 454
2) Cubetas, con longitudes de recorrido de 1,4 y 10 cm. 455
3) Pipas de 0,1 y 5,0 ml. 456
4) Ácido clorhídrico (HCl), 0,1 N. 457
b. Procedimiento espectrofotométrico 458
Transfiera 3 mL de extracto clarificado en una cubeta de 1 cm y lea la 459
absorbencia a 750 y 664 nm. Acidificar el extracto en la cubeta con 0,1 460
mL de HCl 0,1 N. Agitar suavemente el extracto acidificado y 90 segundos 461
después de la acidificación, leer la absorbancia a 750 y 665 nm. Los 462
volúmenes de extracto y ácido, y el tiempo después de la acidificación son 463
críticos para obtener los resultados precisos y consistentes. 464
Calculamos la clorofila-a : 465
3
26,7 664 665 1( / )
2
b a Vclorofila a mg m
V L
(3) 466
Donde: 467
664b, 665a = absorbancia del extracto de acetona al 90 % antes y después de 468
la acidificación. 469
1V volumen de extracto ( Litros ), 470
2V volumen de muestra ( 3m ), 471
L longitud del recorrido de la luz o anchura de la cubeta en cm. 472
6.6.1.5 Comparación de datos. 473
Los resultados de los valores obtenidos por las imágenes satelitales y 474
monitoreo realizadas por el IMPARPE en el periodo 2013-2019, se incluirá 475
los datos de monitoreo que se realizará el 2022 para tener el periodo 2013-476
2022, para asi comparar mediante una regresión lineal: 477
0 1i i iy x (4) 478
Donde iy , es la variable de respuesta, i son los coeficientes de regresión, 479
ix es la variable explicativa, o sea las bandas MODIS o sus relaciones y i es 480
el error aleatorio (Ledesma et al., 2019). 481
6.6.1.6 Validar un modelo estadístico para determinar la distribución de 482
la clorofila en el Lago Titicaca. 483
Para validar los resultados de la ecuación (1) se utilizará el 70% de los datos 484
para la obtención del modelo y el 30% restante para su validación (Li et al., 485
2017). Se generará una serie de tiempo para el período bajo estudio (Ferral et 486
al., 2017). 487
6.6.2 Predecir las zonas con mayor eutrofización del Lago Titicaca. 488
Se predecirá la distribución de la clorofila en el Lago Titicaca con el método 489
de máxima entropía de MaxEnt, usaremos el software MaxEnt para estimar la 490
distribución en el área de estudio tomando en consideración las restricciones 491
impuestas por las variables ambientales (Merow et al., 2013). 492
Para predecir la distribución de la clorofila se usará 19 variables bioclimáticas 493
de WorldClim V2 (Fick & Hijmans, 2017) a una resolución de 30 494
arcosegundos (Mejia & Abad, 2019). 495
Tabla 2. 496
Listado y significado de las variables bioclimáticas 497
498
Código Descripción
BIO1 Temperatura media anual
BIO2 Rango diurno medio (media mensual (T° máx - T° mín))
BIO3 Isotermalidad (BIO2 / BIO7) (×100)
BIO4 Estacionalidad de la temperatura (desviación estándar × 100)
BIO5 Temperatura máxima del mes más cálido
BIO6 Temperatura mínima del mes más frío
BIO7 Rango anual de temperatura (BIO5-BIO6)
BIO8 Temperatura media del trimestre más húmedo
BIO9 Temperatura media del cuarto más seco
BIO10 Temperatura media del trimestre más cálido
BIO11 Temperatura media del cuarto más frío
BIO12 Precipitación anual
BIO13 Precipitación del mes más húmedo
BIO14 Precipitación del mes más seco
BIO15 Estacionalidad de la precipitación (coeficiente de variación)
BIO16 Precipitación del cuarto más húmedo
BIO17 Precipitación del cuarto más seco
BIO18 Precipitación del trimestre más cálido
BIO19 Precipitación del cuarto más frío
Fuente: Fick & Hijmans, 2017; Mejíal et al., 2018 499
500
501
502
503
504
505 Figura 1. Diagrama de flujo del proceso de cálculo de concentración de la 506
clorofila 507
508
509
510
511
512
513
VII. CRONOGRAMA DE ACTIVIDADES 514
Tabla 3. 515
Cronograma de actividades del proyecto 516
Actividades
Año
2021 2022
S O N D E F M A M J J A S O N D
1. Fase de formulación del
proyecto
Revisión literatura
Redacción y revisión
Presentación del proyecto
2. Ejecución del proyecto
Análisis de la toma de datos de clorofila
del IMPARPE
Análisis de los datos del satélite
MODIS
Análisis de los resultados
Comparar los resultados del
monitoreo en campo con los valores
para la clorofila con imágenes
satelitales
Validar un modelo estadístico para
determinar la distribución de la
clorofila en el Lago Titicaca.
Predecir las zonas con mayor
eutrofización del lago Titicaca.
3. Redacción de tesis
Redacción del informe final
Revisión
Correcciones
Presentación
4. Sustentación de Tesis
517
VIII. PRESUPUESTO 518
Tabla 4. 519
Presupuesto del proyecto de investigación 520
Rubros Descripción Unidades de
medida
Can
tida
d
Precio
unitario
(S/.)
Costo
total
(S/.)
Adquisición de
datos del
IMPARPE Muestras 1
-
-
Adquisición de
datos del satelite
MODIS Muestras 1
-
-
Internet Unidades 1
500.00
500.00
Laptop Unidades
1
3,000.00
3,000.00
Transporte Alquiler de
movilidad Unidades 1
180.00
180.00
Otros
Impresión Unidades 3
30.00
90.00
Empastado Unidades 3
30.00
90.00
Papel bond A4 Paquete 5 15.00
75.00
SUBTOTAL
3,935.00
Imprevistos
10%
393.50
TOTAL (S/.)
4,328.50
521
El presente presupuesto será 100% financiado por el tesista 522
IX. COLABORADORES 523
IMARPE (Instituto del Mar del Perú). 524
525
X. BIBLIOGRAFÍA 526
Achá, D., Guédron, S., Amouroux, D., Point, D., Lazzaro, X., Fernandez, P. E., & 527
Sarret, G. (2018). Algal bloom exacerbates hydrogen sulfide and methylmercury 528
contamination in the emblematic high-altitude lake titicaca. Geosciences 529
(Switzerland), 8(12). https://doi.org/10.3390/geosciences8120438 530
Alba, G., Anabella, F., Marcelo, S., Andrea, G. A., Ivana, T., Iba, E., Sandra, T., & 531
Michal, S. (2019). Spectral Monitoring of algal blooms in an Eutrophic lake using 532
Sentinel-2. July, 306–309. 533
Alba, G., Anabella, F., Marcelo, S. C., & Michal, S. (2020). Multitemporal Spectral 534
Analysis for Algae Detection in an Eutrophic Lake using Sentinel 2 Images. 2020 535
IEEE Latin American GRSS and ISPRS Remote Sensing Conference, LAGIRS 2020 536
- Proceedings, 351–356. https://doi.org/10.1109/LAGIRS48042.2020.9165633 537
Bhagowati, B., & Ahamad, K. U. (2019). A review on lake eutrophication dynamics 538
and recent developments in lake modeling. Ecohydrology and Hydrobiology, 539
19(1), 155–166. https://doi.org/10.1016/j.ecohyd.2018.03.002 540
Blauw, A. N., Benincà, E., Laane, R. W. P. M., Greenwood, N., & Huisman, J. (2018). 541
Predictability and environmental drivers of chlorophyll fluctuations vary across 542
different time scales and regions of the North Sea. Progress in Oceanography, 161, 543
1–18. https://doi.org/10.1016/j.pocean.2018.01.005 544
Chen, J., Xie, P., Zhang, D., Ke, Z., & Yang, H. (2006). In situ studies on the 545
bioaccumulation of microcystins in the phytoplanktivorous silver carp 546
(Hypophthalmichthys molitrix) stocked in Lake Taihu with dense toxic 547
Microcystis blooms. Aquaculture, 261(3), 1026–1038. 548
https://doi.org/10.1016/j.aquaculture.2006.08.028 549
Chu, H. J., Kong, S. J., & Chang, C. H. (2018). Spatio-temporal water quality mapping 550
from satellite images using geographically and temporally weighted regression. 551
International Journal of Applied Earth Observation and Geoinformation, 552
65(August 2017), 1–11. https://doi.org/10.1016/j.jag.2017.10.001 553
Dörnhöfer, K., & Oppelt, N. (2016). Remote sensing for lake research and monitoring - 554
Recent advances. Ecological Indicators, 64, 105–122. 555
https://doi.org/10.1016/j.ecolind.2015.12.009 556
Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: new 1-km spatial resolution climate 557
surfaces for global land areas. International Journal of Climatology, 37(12), 4302–558
4315. https://doi.org/10.1002/joc.5086 559
Germán, A., Tauro, C., Andreo, V., Bernasconi, I., & Ferral, A. (2016). Análisis de una 560
serie temporal de clorofila-a a partir de imágenes MODIS de un embalse eutrófico. 561
2016 IEEE Biennial Congress of Argentina, ARGENCON 2016, 697–704. 562
https://doi.org/10.1109/ARGENCON.2016.7585365 563
Guédron, S., Point, D., Acha, D., Bouchet, S., Baya, P. A., Tessier, E., Monperrus, M., 564
Molina, C. I., Groleau, A., Chauvaud, L., Thebault, J., Amice, E., Alanoca, L., 565
Duwig, C., Uzu, G., Lazarro, X., Bertrand, A., Bertrand, S., Barbraud, C., … 566
Amouroux, D. (2017). Mercury contamination level and speciation inventory in 567
Lakes Titicaca & Uru-Uru (Bolivia): Current status and future trends. 568
Environmental Pollution, 231, 262–270. 569
https://doi.org/10.1016/j.envpol.2017.08.009 570
Hilborn, E. D., & Beasley, V. R. (2015). One health and cyanobacteria in freshwater 571
systems: Animal illnesses and deaths are sentinel events for human health risks. 572
Toxins, 7(4), 1374–1395. https://doi.org/10.3390/toxins7041374 573
Isenstein, E. M., Kim, D., & Park, M. H. (2020). Modeling for multi-temporal 574
cyanobacterial bloom dominance and distributions using landsat imagery. 575
Ecological Informatics, 59, 101119. https://doi.org/10.1016/j.ecoinf.2020.101119 576
Ji, Z.-G. (2008). Hydrodynamics and water quality modeling rivers, lakes and estuaries. 577
https://doi.org/10.1071/FP17337 578
Jiang, G., Loiselle, S. A., Yang, D., Ma, R., Su, W., & Gao, C. (2020). Remote 579
estimation of chlorophyll a concentrations over a wide range of optical conditions 580
based on water classification from VIIRS observations. Remote Sensing of 581
Environment, 241(February), 111735. https://doi.org/10.1016/j.rse.2020.111735 582
Kiefer, I., Odermatt, D., Anneville, O., Wüest, A., & Bouffard, D. (2015). Application 583
of remote sensing for the optimization of in-situ sampling for monitoring of 584
phytoplankton abundance in a large lake. Science of the Total Environment, 527–585
528, 493–506. https://doi.org/10.1016/j.scitotenv.2015.05.011 586
Kudela, R. M., Palacios, S. L., Austerberry, D. C., Accorsi, E. K., Guild, L. S., & 587
Torres-Perez, J. (2015). Application of hyperspectral remote sensing to 588
cyanobacterial blooms in inland waters. Remote Sensing of Environment, 167, 589
196–205. https://doi.org/10.1016/j.rse.2015.01.025 590
Kuhn, C., de Matos Valerio, A., Ward, N., Loken, L., Sawakuchi, H. O., Kampel, M., 591
Richey, J., Stadler, P., Crawford, J., Striegl, R., Vermote, E., Pahlevan, N., & 592
Butman, D. (2019). Performance of Landsat-8 and Sentinel-2 surface reflectance 593
products for river remote sensing retrievals of chlorophyll-a and turbidity. Remote 594
Sensing of Environment, 224(January), 104–118. 595
https://doi.org/10.1016/j.rse.2019.01.023 596
Ledesma, M. M., Bonansea, M., Ledesma, C. R., Rodríguez, C., Carreño, J., & Pinotti, 597
L. (2019). Estimation of chlorophyll-a concentration using Landsat 8 in the 598
Cassaffousth reservoir. Water Science and Technology: Water Supply, 19(7), 599
2021–2027. https://doi.org/10.2166/ws.2019.080 600
Ledesma, M., Rodríguez, C., Ledesma, C. R., Pinotti, L., Scavuzzo, C. M., & Germán, 601
A. (2020). Análisis de la distribución temporal de la concentración de Clorofila-a 602
en el embalse Río Tercero , Córdoba , Argentina. Revista Científica FAV-UNRC 603
Ab Intus, 5(2), 83–87. 604
Lin, S. S., Shen, S. L., Zhou, A., & Lyu, H. M. (2021). Assessment and management of 605
lake eutrophication: A case study in Lake Erhai, China. Science of the Total 606
Environment, 751, 141618. https://doi.org/10.1016/j.scitotenv.2020.141618 607
Liu, X., Lu, X., & Chen, Y. (2011). The effects of temperature and nutrient ratios on 608
Microcystis blooms in Lake Taihu, China: An 11-year investigation. Harmful 609
Algae, 10(3), 337–343. https://doi.org/10.1016/j.hal.2010.12.002 610
Mejia, D., & Abad, L. (2019). Distribución potencial del género Polylepis en la Cuenca 611
del río Paute bajo un escenario de cambio climático Potential distribution of the 612
genus Polylepis in the Paute river. Revista de La Facultad de Ciencias Químicas, 613
21–37. 614
Mejíal, D., Tonón, M., & Abad, L. (2018). Distribución Potencial del Género Polylepis 615
en la Cuenca del Río Paute bajo un Escenario de Cambio Climático. Revista de La 616
Facultad de Ciencias Químicas., December(19), 21–37. 617
Meng, X., Shi, L., Yao, L., Zhang, Y., & Cui, L. (2020). On the implementation of a 618
novel data-intelligence model based on extreme learning machine optimized by bat 619
algorithm for estimating daily chlorophyll-a concentration: case studies of river 620
and lake in USA. Colloids and Surfaces A: Physicochemical and Engineering 621
Aspects, Iii, 124658. https://doi.org/10.1016/j.jclepro.2020.124868 622
Merow, C., Smith, M. J., & Silander, J. A. (2013). A practical guide to MaxEnt for 623
modeling species’ distributions: What it does, and why inputs and settings matter. 624
Ecography, 36(10), 1058–1069. https://doi.org/10.1111/j.1600-0587.2013.07872.x 625
Mourão, F. V., de Sousa, A. C. S. R., da Luz Mendes, R. M., Castro, K. M., da Silva, A. 626
C., El-Robrini, M., de Oliveira Salomão, U., Pereira, J. A. R., & de Lourdes Souza 627
Santos, M. (2020). Water quality and eutrophication in the Curuçá estuary in 628
northern Brazil. Regional Studies in Marine Science, 39, 101450. 629
https://doi.org/10.1016/j.rsma.2020.101450 630
Paulino-Rojas, C., Xu, H., Alburqueque, E., & Velaochaga, G. (2016). Estimación de 631
concentración de clorofila-a en el lago Titicaca usando imágenes satelitales 632
MERSI. Instituto de Mar Del Perú, 43(3), 242–251. 633
Reinart, A., & Kutser, T. (2006). Comparison of different satellite sensors in detecting 634
cyanobacterial bloom events in the Baltic Sea. Remote Sensing of Environment, 635
102(1–2), 74–85. https://doi.org/10.1016/j.rse.2006.02.013 636
Rodríguez-lópez, L., Duran-llacer, I., González-, L., Abarca-del-rio, R., Cárdenas, R., 637
Martínez-retureta, R., & Urrutia, R. (2020). Spectral analysis using LANDSAT 638
images to monitor the chlorophyll-a concentration in Lake Laja in Chile. 639
Ecological Informatics, 101183. https://doi.org/10.1016/j.ecoinf.2020.101183 640
Ruiz-Verd, A., Jiménez, J. C., Lazzaro, X., Tenjo, C., Delegido, J., Pereira, M., Sobrino, 641
J. A., & Moreno, J. (2016). Comparison of MODIS and Landsat-8 retrievals of 642
Chlorophyll- A and water temperature over Lake Titicaca. International 643
Geoscience and Remote Sensing Symposium (IGARSS), 2016-Novem, 7643–7646. 644
https://doi.org/10.1109/IGARSS.2016.7730993 645
Serrano, L., Reina, M., Quintana, X. D., Romo, S., Olmo, C., Soria, J. M., Blanco, S., 646
Fernández-Aláez, C., Fernández-Aláez, M., Caria, M. C., Bagella, S., Kalettka, T., 647
& Pätzig, M. (2017). A new tool for the assessment of severe anthropogenic 648
eutrophication in small shallow water bodies. Ecological Indicators, 76, 324–334. 649
https://doi.org/10.1016/j.ecolind.2017.01.034 650
Shi, K., Zhang, Y., Qin, B., & Zhou, B. (2019). Remote sensing of cyanobacterial 651
blooms in inland waters: present knowledge and future challenges. Science 652
Bulletin, 64(20), 1540–1556. https://doi.org/10.1016/j.scib.2019.07.002 653
Vinçon-Leite, B., & Casenave, C. (2019). Modelling eutrophication in lake ecosystems: 654
A review. Science of the Total Environment, 651, 2985–3001. 655
https://doi.org/10.1016/j.scitotenv.2018.09.320 656
Wang, L., Xu, M., Liu, Y., Liu, H., Beck, R., Reif, M., Emery, E., Young, J., & Wu, Q. 657
(2020). Mapping freshwater chlorophyll-a concentrations at a regional scale 658
integrating multi-sensor satellite observations with google earth engine. Remote 659
Sensing, 12(20), 1–18. https://doi.org/10.3390/rs12203278 660
661
XI. ANEXOS 662
Anexo 1. 663
Operacionalización de variables 664
665
Variables Dimensiones Indicadores Índice
Variables
independientes
Parámetros
químicos
(Eutrofización del
lago)
Clorofila-a
Nitratos
Sulfatos
mg/L
mg/L
mg/L
Variables
dependientes
Serie de tiempo de
la Clorofila-a
Modelo de regresión
lineal
666
667
668
